發(fā)布時間：2021-12-22 03:26

　　提出一種基于陰陽對（YYPO）算法優(yōu)化的隨機森林（RF）與支持向量機（SVM）組合預測方法,利用YYPO算法對RF、SVM關鍵參數(shù)和組合權重系數(shù)進行優(yōu)化,構建YYPO-RF-SVM預測模型,并與YYPO-RF、YYPO-SVM模型及RF、SVM模型作對比分析,以某水文站年徑流預測為例進行實例研究。利用實例前30 a、中間14 a和后10 a資料對YYPO-RF-SVM等5種模型進行訓練、檢驗和預測。結果表明,YYPO-RF-SVM模型對實例訓練、檢驗和預測的平均相對誤差絕對值分別為2.76%、4.64%、3.02%,精度均高于YYPO-RF等4種模型。YYPO-RF-SVM模型具有更高的預測精度和泛化能力,可為水文預測預報和相關預測研究提供參考和借鑒。 

【文章來源】：人民珠江. 2019,40(03)

【文章頁數(shù)】：6 頁

【部分圖文】：

實例年徑流訓練—檢驗—預測相對誤差效果

檢驗—預測結果及其比較樣本評價指標YYPO－RF－SVM模型YYPO－RF模型YYPO－SVM模型RF模型SVM模型訓練樣本(前30a)MRE/%2.764.313.083.553.31MaxRE/%9.6916.9912.8213.476.51檢驗樣本(中間14a)MRE/%4.648.404.919.8814.69MaxRE/%13.0318.3716.5541.6145.51預測樣本(后10a)MRE/%3.024.985.886.577.28MaxRE/%6.919.619.5211.8220.6754a樣本DC0.98210.95120.97020.93900.9101注:加粗內(nèi)容為最優(yōu)預測指標值圖1實例年徑流訓練—檢驗—預測相對誤差效果圖2實例年徑流訓練—檢驗—預測效果73

【參考文獻】：
期刊論文
[1]基于小波支持向量機的徑流預測性能優(yōu)化分析[J]. 周婷,金菊良,李榮波,紀昌明,李繼清.  水力發(fā)電學報. 2017(10)
[2]一種基于粒子群算法優(yōu)化的加權隨機森林模型[J]. 王杰,程學新,彭金柱.  鄭州大學學報(理學版). 2018(01)
[3]基于改進網(wǎng)格搜索算法的隨機森林參數(shù)優(yōu)化[J]. 溫博文,董文瀚,解武杰,馬駿.  計算機工程與應用. 2018(10)
[4]基于隨機森林算法的礦井涌水量預測[J]. 黃永剛,李龍.  煤炭技術. 2017(01)
[5]鳥群算法-投影尋蹤回歸模型在多元變量年徑流預測中的應用[J]. 崔東文,金波.  人民珠江. 2016(11)
[6]幾種智能算法與支持向量機融合模型在中長期月徑流預測中的應用[J]. 崔東文.  華北水利水電大學學報(自然科學版). 2016(05)
[7]花授粉算法-BP神經(jīng)網(wǎng)絡模型及其在月徑流預報中的應用[J]. 崔東文,金波.  人民珠江. 2016(04)
[8]基于小波分解的投影尋蹤自回歸組合模型及其在年徑流預測中的應用[J]. 紀昌明,李榮波,張驗科,劉丹,張培,杜拉.  水力發(fā)電學報. 2015(07)
[9]免疫粒子群算法與支持向量機在枯水期月徑流預測中的應用[J]. 李月玉,李磊.  水資源與水工程學報. 2015(03)
[10]改進RBF-Adaboost模型及其在年徑流預測中的應用[J]. 黃劍竹.  人民珠江. 2015(01)



本文編號：3545670